问题标签 [vgg-net]

训练后如何保存 VGG-16 模型的权重？如何将保存的权重加载到模型中？

我试过这个：

我收到以下错误：

NameError Traceback (last last call last) in () ----> 1 custom_vgg_model.load_weights(weights-Test-CNN.hdf5, by_name=False)

NameError：名称“权重”未定义

我正在使用迁移学习方法训练 VGG 网络。（微调）但是在训练数据集时，我发现了以下错误，它停止了训练过程。

有人可以帮我在这里找出问题。

我在这里使用 VGG来训练我的数据：

如果只是单独VGG，效果很好，但是我想对它应用zca美白。Keras 允许只用一行代码 ( zca_whitening=True) 添加 ZCA，但问题是我们必须fit()稍后调用该函数。

的参数ImageDataGenerator#fit()是x，即训练数据集。但是在这个程序中，训练数据集将在之后定义。那么在这种情况下如何使用 zca 美白呢？

更新 我已经按照下面的评论进行了更新，但它引发了一个错误：

需要的工作数组太大 - 无法使用标准 32 位 LAPACK 执行计算

为了减少内存，我尝试只将 6 张图像放入训练数据集中，但没有任何改变。那么这个错误实际上是什么意思呢？

我有一个关于从 tensorflow.contrib.slim.nets 的 vgg 中排除前两层的问题。

如您所知 tensorflow.contrib.slim.nets.vgg，

我想要的是net = slim.fully_connected(net, 4096, scope='fc7')的输出，而不是net = slim.fully_connected(net, 1000, activation_fn=None, scope='fc8')

那么无论如何要从中删除 dropout7 和 fc8 吗？

这是一个使用 tf.slim 的 vgg 的简单代码；请让我知道如何在此示例中删除这些内容。

我正在为我的任务微调 VGG-16。这个想法是我加载预训练的权重，删除最后一层（这是具有 1000 个输出的 softmax）并用具有几个输出的 softmax 替换它。然后我冻结除最后一层以外的所有层并训练模型。

这是构建原始模型并加载权重的代码。

在我的案例中，Keras 使用 Tensorflow 作为后端。Tensorflow 是为使用 GPU（使用 CUDA）而构建的。我目前有一张相当旧的卡：具有 2Gb 内存的 GTX 760。

在我的卡上，由于内存不足错误，我什至无法加载整个模型（上面的代码）。

在这里，作者说 4Gb 也是不够的。

在这里，GTX 1070 甚至能够训练 VGG-16（不仅仅是将其加载到内存中），但只能使用一些批量大小和不同的框架（不在 Keras 中）。GTX 1070 似乎总是有 8Gb 的内存。

所以看起来 4Gb 显然不足以微调 VGG-16，8Gb可能就足够了。

问题是：多少内存足以用 Keras+TF 微调 VGG-16？6Gb 就足够了，或者 8Gb 是最低限度并且可以，还是需要更大的？

我正在创建自定义 VGG 模型作为 Tensorflow 对象检测 API 中 Faster RCNN 模型的特征提取器。如文档https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/defining_your_own_model.md中所述，特征提取器代码由extract_proposal_features和 组成extract_classifier_features。我正在使用创建卷积层的 TF slim 代码（因为 Tensorflow 团队使用它）。作为参考，请找到TF slim使用的VGG 16的模型结构

我的问题是，哪个卷积层需要包含并返回到extract_proposal_features方法中，哪些卷积层需要包含并返回到extract_classifier_features. 请告诉我。

什么是神经网络中的 VGG 模型？

我认为 VGG 模型有特定的规格：-卷积层（仅使用 3*3 大小）-最大池化层（仅使用 2*2 大小）-末端完全连接的层-总共 16 层

神经网络中的CNN和VGG模型有什么区别？

我正在尝试在 TensorFlow 代码中使用预训练的 Keras 模型，如本 Keras 博客文章第 II 节下所述：将 Keras 模型与 TensorFlow 结合使用。

我想使用 Keras 中可用的预训练 VGG16 网络从图像中提取卷积特征图，并在其上添加我自己的 TensorFlow 代码。所以我这样做了：

但是，这给了我一个错误：

相反，如果我在运行网络之前运行初始化操作：

然后我得到预期的输出：

我的问题是，在运行时tf.global_variables_initializer()，变量是随机初始化的还是使用 ImageNet 权重初始化的？我问这个是因为上面引用的博文没有提到在使用预训练的 Keras 模型时需要运行初始化程序，这确实让我感到有些不安。

我怀疑它确实使用了 ImageNet 权重，并且只需要运行初始化程序，因为 TensorFlow 需要显式初始化所有变量。但这只是一个猜测。

有很多在线教程可以指导如何使用预训练模型在 Keras 中对一张图像进行一次预测。对于我的情况，我在 Keras 中使用 VGG16 模型，我需要连续预测图像，所以我使用 for 循环加载图像，然后将其传递给预测函数，它运行良好，但是一个预测时间太长（我的 ~800ms机器，仅限 CPU），这里是代码：

上面的代码可以运行良好，但是每次预测花费的时间太长，整个函数需要800ms，构建VGG网络需要500ms，成本太高。我想为连续预测模式的每个预测删除这 500 毫秒。

我尝试将“model = keras.applications.VGG16(include_top=True, weights='imagenet')”这一行代码放在预测函数的外部，全局定义它或将“model”作为参数传递给函数，但程序会返回错误并在第一次成功预测后结束。

似乎我需要为每个预测实例化一个 VGG 模型，如何更改代码以节省模型构建时间？谢谢。

我有一个(1, 224, 224, 3)名为content_image. 那就是 VGG 网络输入的大小。

当我转移content_image到 VGG 网络的输入时，如下图所示：

这似乎产生了以下规模的输出[0, 1]：

另一方面，当我根据keras 文档应用以下方法时（使用 VGG19 从任意中间层提取特征）：

这种方法似乎产生不同的输出。

这两种方法都使用具有相同权重的相同网络，并传输相同的 numpy 数组 ( content_image) 作为输入，但它们产生不同的输出。我希望他们应该产生相同的结果。